用于电脑断层摄影的后处理的装置和方法

技术领域

本发明是有关于一种装置和方法，且特别是有关于一种用于电脑断层摄影(tomography)的后处理的装置和方法。

背景技术

随着深度学习的逐渐普及，有越来越多的医疗机构开始接受且期待通过电脑科学来帮助放射科医师判断病人的电脑断层摄影(computed tomography，CT)影像，也有越来越多的团队投入肝脏肿瘤辨识系统的开发。现行的电脑科学技术大都着重在恶性的肝细胞癌(hepatocellular carcinoma，HCC)的辨识上，而并未对良性肿瘤诸如肝脏血管瘤(hemangioma)或肝脏局部结节性增生(focal nodular hyperplasia，FNH)去进行影像辨识。然而，对于存在数种病症的肝脏来说，只判断恶性肿瘤显然是不够的。因此，如何对肝脏的良性肿瘤进行判断以协助医师确定患者的肝脏状况，是本领域人员致力的目标之一。

发明内容

本发明提供一种用于电脑断层摄影的后处理的装置和方法，可改善FNH的辨识影像以使FNH的辨识结果更贴合FNH的实际边界，并且可减少FNH的辨识结果的伪阳性。

本发明的一种用于电脑断层摄影的后处理的装置，适用于改善肝脏局部结节性增生(FNH)的辨识影像，该装置包括处理器、储存媒体以及收发器。储存媒体储存多个模块。处理器耦接储存媒体和收发器，并且存取和执行多个模块，其中多个模块包括数据收集模块以及运算模块。数据收集模块通过收发器取得包括肝脏轮廓以及非肝脏轮廓的辨识影像及辨识影像的各个像素的HU值，其中肝脏轮廓包括FNH候选轮廓。运算模块将非肝脏轮廓的HU值调整为肝脏轮廓的平均HU值以产生经处理辨识影像，以及基于经处理辨识影像而根据形态学演算法来更新FNH候选轮廓以产生经更新FNH候选轮廓。

在本发明的一实施例中，上述的运算模块响应于经更新FNH候选轮廓与FNH候选轮廓的交集超过阈值而判断经更新FNH候选轮廓代表正确的FNH的辨识结果。

在本发明的一实施例中，上述的运算模块响应于经更新FNH候选轮廓与FNH候选轮廓的交集未超过阈值而判断经更新FNH候选轮廓代表错误的FNH的辨识结果。

在本发明的一实施例中，上述的阈值关联于经更新FNH候选轮廓与FNH候选轮廓的联集。

在本发明的一实施例中，上述的形态学演算法为无边缘主动轮廓法(ACWE)。

本发明的一种用于电脑断层摄影的后处理的方法，适用于改善肝脏局部结节性增生(FNH)的辨识影像，其中方法包括：取得包括肝脏轮廓以及非肝脏轮廓的辨识影像及辨识影像的各个像素的HU值，其中肝脏轮廓包括FNH候选轮廓；将非肝脏轮廓的HU值调整为肝脏轮廓的平均HU值以产生经处理辨识影像；以及基于经处理辨识影像而根据形态学演算法更新FNH候选轮廓以产生经更新FNH候选轮廓。

在本发明的一实施例中，上述的方法更包括：响应于经更新FNH候选轮廓与FNH候选轮廓的交集超过阈值而判断经更新FNH候选轮廓代表FNH的辨识结果。

在本发明的一实施例中，上述的方法更包括：响应于经更新FNH候选轮廓与FNH候选轮廓的交集未超过阈值而判断经更新FNH候选轮廓代表错误的辨识结果。

在本发明的一实施例中，上述的阈值关联于经更新FNH候选轮廓与FNH候选轮廓的联集。

在本发明的一实施例中，上述的形态学演算法为不具边缘的主动轮廓法(ACWE)。

基于上述，本发明的用于电脑断层摄影的后处理的装置和方法可显著地提升FNH的辨识的精准度。医师可通过本发明而更准确地判断FNH的尺寸和位置等信息。

附图说明

图1根据本发明的实施例绘示用于CT的后处理的装置的示意图；

图2A根据本发明的实施例绘示具有FNH的肝脏的辨识影像的示意图；

图2B根据本发明的实施例绘示经处理辨识影像的示意图；

图3根据本发明的实施例绘示经更新FNH候选轮廓的示意图；

图4A根据本发明的实施例绘示包含错误的FNH候选轮廓的经处理辨识影像的示意图；

图4B根据本发明的实施例绘示基于错误的FNH候选轮廓的经更新FNH候选轮廓的示意图；

图4C根据本发明的实施例绘示消除错误的经更新FNH候选轮廓以及FNH候选轮廓的经处理辨识影像的示意图；

图5根据本发明的实施例绘示用于CT的后处理的方法的流程图。

符号说明

10：辨识影像

100：用于CT的后处理的装置

110：处理器

120：储存媒体

121：数据收集模块

122：运算模块

130：收发器

20、30：经处理辨识影像

200：肝脏轮廓

250、260：FNH候选轮廓

251、261：经更新FNH候选轮廓

300：非肝脏轮廓

500：肝脏局部结节性增生(FNH)

S501、S502、S503：步骤

具体实施方式

图1是根据本发明的实施例绘示用于CT的后处理的装置100的示意图。装置100适用于改善肝脏局部结节性增生(FNH)的辨识影像。装置100可包括处理器110、储存媒体120以及收发器130。

处理器110例如是中央处理单元(central processing unit，CPU)，或是其他可编程的一般用途或特殊用途的微控制单元(micro control unit，MCU)、微处理器(microprocessor)、数位信号处理器(digital signal processor，DSP)、可编程控制器、特殊应用集成电路(application specific integrated circuit，ASIC)、图形处理器(graphics processing unit，GPU)、算数逻辑单元(arithmetic logic unit，ALU)、复杂可编程逻辑装置(complex programmable logic device，CPLD)、现场可编程逻辑门阵列(field programmable gate array，FPGA)或其他类似元件或上述元件的组合。处理器110可耦接至储存媒体120以及收发器130，并且存取和执行储存于储存媒体120中的多个模块和各种应用编程。

储存媒体120例如是任何型态的固定式或可移动式的随机存取存储器(randomaccess memory，RAM)、唯读存储器(read-only memory，ROM)、快闪存储器(flash memory)、硬盘(hard disk drive，HDD)、固态硬盘(solid state drive，SSD)或类似元件或上述元件的组合，而用于储存可由处理器110执行的多个模块或各种应用程式。在本实施例中，储存媒体120可储存包括数据收集模块121和运算模块122等多个模块，其功能将于后续说明。

收发器130以无线或有线的方式传送及接收信号。收发器130还可以执行例如低噪声放大、阻抗匹配、混频、向上或向下频率转换、滤波、放大以及类似的操作。

数据收集模块121可通过收发器130取得肝脏的辨识影像。图2A是根据本发明的实施例绘示具有FNH的肝脏的辨识影像10的示意图，其中辨识影像10可包括包围住肝实质(liver parenchyma)的肝脏轮廓200以及包围住非肝实质(non liver parenchyma)的非肝脏轮廓300(即：图2A的黑色部分)。辨识影像10还可包括包围住FNH 500的FNH候选轮廓250。辨识影像10、肝脏轮廓200、非肝脏轮廓300或FNH候选轮廓250例如是基于人工智能(artificial intelligence，AI)、机器学习演算法或深度学习演算法等技术来对原始的肝脏CT影像进行辨识而产生的，本发明不限于此。此外，数据收集模块121还可通过收发器130取得肝脏的辨识影像及辨识影像的各个像素的HU值。

一般来说，FNH候选轮廓250所包围的部分并不会完全与FNH 500相符，两者之间可能存在误差。为了极小化上述的误差，运算模块122可对辨识影像10进行后处理。

首先，运算模块122可计算肝脏轮廓200中肝实质的平均HU值将非肝脏轮廓300中的非肝实质的HU值调整为肝实质的平均HU值，如公式(1)所示，其中P

图2B是根据本发明的实施例绘示经处理辨识影像20的示意图。运算模块122可基于公式(1)对辨识影像10中的非肝脏轮廓300中的像素进行更改以使非肝脏轮廓300的HU值近似于肝脏轮廓200的平均HU值。如此，将会降低非肝脏轮廓300中的非肝实质与肝脏轮廓200中的肝实质之间的对比，从而使FNH候选轮廓250中的FNH 500与肝脏轮廓200中的肝实质之间的对比变得更加明显。

接着，运算模块122可基于经处理辨识影像20而根据形态学(morphology)演算法来更新FNH候选轮廓250以产生经更新FNH候选轮廓251，如图3所示。图3是根据本发明的实施例绘示经更新FNH候选轮廓251的示意图。上述的形态学演算法例如是无边缘主动轮廓法(active contours without edges，ACWE)。首先，运算模块122可建立如公式(2)所示的ACWE模型的正则表示式，其中F代表ACWE模型的能量函数、μ或υ代表大于或等于0的参数(在本实施例中，υ＝0)、C代表区域边界的曲线、length(C)为C的长度、inside(C)代表在区域边界的曲线之内的像素、c

F(c

而后，运算模块122可通过迭代找出能量函数F的最小值以解出λ

需注意的是，无边缘主动轮廓法的初始点是来自于AI所预测的FNH候选轮廓中选出。若AI将正常的肝实质误判为FNH，则运算模块122可能会根据错误的初始点而将经更新FNH候选轮廓扩张为包括整个肝实质的区域。图4A是根据本发明的实施例绘示包含错误的FNH候选轮廓260的经处理辨识影像30的示意图。图4B是根据本发明的实施例绘示基于错误的FNH候选轮廓260的经更新FNH候选轮廓261的示意图。同时参照图4A和图4B，假设AI将正常的肝实质的区域误判为FNH候选轮廓260，则运算模块122可能根据错误的FNH候选轮廓260而基于无边缘主动轮廓法产生错误的经更新FNH候选轮廓261。在经过多次迭代计算后，经更新FNH候选轮廓261可能被扩张成包括整个正常的肝实质的区域。

为了避免产生错误的经更新FNH候选轮廓，运算模块122可响应于经更新FNH候选轮廓与FNH候选轮廓的交集超过阈值而判断经更新FNH候选轮廓代表正确的FNH的辨识结果，并可响应于经更新FNH候选轮廓与FNH候选轮廓的交集未超过阈值而判断经更新FNH候选轮廓代表错误的FNH的辨识结果，其中所述阈值关联于经更新FNH候选轮廓与FNH候选轮廓的联集，如公式(4)所示，其中Y

举例来说，运算模块122可响应于经更新FNH候选轮廓251与FNH候选轮廓250的交集超过阈值而判断经更新FNH候选轮廓251代表正确的FNH 500的辨识结果，如图3所示。举另一例来说，运算模块122可响应于经更新FNH候选轮廓261与FNH候选轮廓260的交集未超过阈值而判断经更新FNH候选轮廓261代表错误的FNH 500的辨识结果，如图4B。为了减少FNH 500的辨识结果的伪阳性，运算模块122可消除经更新FNH候选轮廓261(及/或FNH候选轮廓260)，如图4C所示。图4C是根据本发明的实施例绘制消除了错误的经更新FNH候选轮廓261以及FNH候选轮廓260的经处理辨识影像30的示意图。

图5根据本发明的实施例绘示用于CT的后处理的方法的流程图，其中该方法可由如图1所示的装置100实施。在步骤S501中，取得包括肝脏轮廓以及非肝脏轮廓的辨识影像及辨识影像的各个像素的HU值，其中肝脏轮廓包括FNH候选轮廓。在步骤S502中，将非肝脏轮廓的HU值调整为肝脏轮廓的平均HU值以产生经处理辨识影像。在步骤S503中，基于经处理辨识影像而根据形态学演算法更新FNH候选轮廓以产生经更新FNH候选轮廓。

综上所述，本发明的用于电脑断层摄影的后处理的装置和方法可显著地提升FNH的辨识的精准度。本发明可对辨识影像中的非肝脏轮廓进行正规化以使非肝脏轮廓的HU值等同于肝脏轮廓的平均HU值。如此，FNH的HU值与肝脏的正常部位的HU值之间的差异将会更加显著，FNH的辨识也会变得更容易。此外，利用形态学演算法更新FNH候选轮廓，以通过扩张或侵蚀等运算来使经更新FNH候选轮廓的边界更加贴近真实的FNH。根据经更新FNH候选轮廓，医师将可更准确地判断FNH的尺寸和位置等信息。另一方面，本发明还可根据经更新FNH候选轮廓与原始的FNH候选轮廓的交集或联集来判断经更新FNH候选轮廓是否对应于正确的判断结果，避免将正常的肝脏部位误判为FNH以减少辨识结果的伪阳性。